證券簡稱:海能技術
證券代碼:430476
       
       

近紅外光譜技術用於牛奶中粗蛋白、粗脂肪和乳糖的檢測

1 前言

傳統的牛奶成分含量的測量大都基於分析化學方法。分析過程破壞樣品費時費力,並且是離線測量。採用近紅外光譜技術對牛奶成分含量的快速檢測是本文討論的新方法。該方法具有快速、成本低和能同時無損測量多種成分等優點,便於實現工業實驗室快速分析和在線分析。

由於NIR光譜區域的倍頻和合頻吸收弱、譜帶複雜及重疊多。測量中如何從複雜的光譜信息中提取有效的樣品信息,並根據光譜數據與校正集樣品的組成性質數據關聯建立科學的數學校正模型是決定測量準確度的最關鍵問題之一。

2 实验部分

2.1 仪器条件:

實驗儀器爲近紅外光譜儀,主要部件包括:單色儀、集成電腦、電源適配器,置頂旋轉測樣系統。UCal採集處理軟件,內置建模軟件。 測樣方式:漫反射方式;檢測方法:置頂旋轉測樣系統;實驗所用的參數設置爲: 波長範圍:1400nm ~ 2500nm,波長步長:1.0nm,平均次數:60次。脂肪測定儀、凱氏定氮儀器和液相色譜儀。

2.2 实验方法:

儀器使用近紅外光譜儀掃描軟件進行光譜採集。採用內置液體測樣器。

1) 將牛奶樣品搖動10分鐘,使其均勻,無沉澱,整體濃度狀態一致性要好。

2) 將1)準備好的樣品注入內置流體測樣器中。

3) 採集軟件中點擊運行,即開始掃描光譜。

實驗共備置80個牛奶樣品,其中70個作矯正集樣品,用於建模,其餘10個作驗證集樣品,用於評價模型。對矯正集每個樣品掃描2 次,得到140 張光譜。光譜採用數學處理,有效消除基線漂移和部分噪音信息,這些光譜對應該樣品的粗脂肪、粗蛋白和乳糖含量數據。含量數據和光譜數據一一對應,使用偏最小二乘法計算,創建模型。

粗脂肪、粗蛋白和乳糖的一級數據分別是由脂肪測定儀、凱氏定氮儀器和液相色譜儀的分析而得。


2.3 校正方法:

利用化學計量學軟件首先將樣品奶中的脂肪、蛋白質和乳糖含量與光譜間進行偏最小二乘法交互驗證計算。根據預測殘餘標準差來確定最佳主成分數,並初步建立pls校正模型。

校正模型:

建模過程中,爲降低噪聲影響,首先根據測量光譜及樣品溼化學方法得出的數據進行關聯,得到相關係數與波長的相關圖,然後根據不同波長處的相關係數大小,進行波長優選,最終確定波長個數及校正模型交互驗證預測結果。

牛奶中粗脂肪、粗蛋白和乳糖含量與近紅外光譜有很好的相關性,模型相關係數分別達到0.9421、0.9583和0.9274。

2.4 使用模型对验证集样品进行预测

1)在脂肪含量預測中,7號樣品的脂肪偏差最大,相對偏差爲5.3%,其餘都在3%以內。

2)在粗蛋白含量預測中,4號樣品偏差最大,相對偏差爲4.57%,其餘樣本都在3%以內。

3)在乳糖含量預測中,7號樣品偏差最大,相對偏差爲5.8%,其餘都在4%以內。

3 結果與討論

綜上結果,利用近紅外技術快速對牛奶中這三個主要成份的預測是可行的,且預測精準度很好,預測偏差完全達到工業需求。根據測量光譜及樣品各指標含量的相關係數大小進行波長優選是提高模型質量和工作效率的有效途徑。PLS光譜分析過程中,校正集樣品的選擇,波長位置與個數的選擇以及原始光譜數據的預處理方法等都會對測量結果產生不同程度的影響。理想情況下,系統線性校正模型的建立是在照射到樣品中的光是嚴格的單色光並且樣品是由獨立的彼此之間無相互作用的吸收粒子組成的前提下進行的。

所以提高系統PLS校正模型的質量可以通過途徑爲:

1)採用實驗設計法合理設計實驗過程,通過合理的計算方法(如計算樣品集樣品間的馬氏距離),根據光譜間的差別找出適當的校正集樣品。

2)採用適當的數據預處理方法消除儀器噪聲,樣品背景及儀器漂移等對光譜造成的影響。

3)建立涵蓋不同濃度範圍的不同模型"在預測分析前"先對未知樣品光譜的適用性進行判斷以選擇正確的校正模型、降低預測平均標準誤差。

参考文献(无)